پنج نوع تفکر برای یک دانشمند داده با عملکرد بالا

منتشر‌شده در towardsdatascience به تاریخ ۲۶ آوریل ۲۰۲۱
لینک منبعFive types of thinking for a high performing data scientist :

امروزه پیچیدگی جامعه ما را فرا گرفته است- چه به اقتصاد نگاه کنیم، چه به مشاغلی که در حوزه اقتصاد فعالیت می‌کنند، چه به افرادی که در جامعه نقش‌های متفاوتی ایفا می‌کنند، درمی‌یابیم که چگونه مجموعه‌های فیزیکی، اجتماعی، سیاسی و صنعتی با یکدیگر در ارتباط و تعامل هستند و اینکه نمی‌توان این پیچیدگی را نادیده گرفت.

هیچ توضیح ساده یا واحدی وجود ندارد که بتواند تمام ابعاد این پیچیدگی را در بر‌بگیرد. ما، به عنوان دانشمندان داده، باید این پیچیدگی را درک کنیم و طرز تفکرمان را در جهتی پرورش بدهیم که بتواند مسائل مهم را تشخیص بدهد، مسائل بی‌اهمیت را نادیده بگیرد و با پاسخ دادن به سوالات کلیدی مطرح‌شده به سمت جلو پیش برویم. در این مقاله و در مقالات بعدی، قصد داریم راجع به برخی از الگوهای کلیدی «تفکر» بپردازیم که به ما کمک کرده‌اند تا مشکلات انتزاعی پیش روی خود را مفهوم‌سازی کنیم و اینکه چگونه توانسته‌ایم با استفاده از این مشکلات بینش ایجاد کنیم.

با وجود این که فراشناخت یا «تفکر در مورد تفکر» جای بحث زیادی دارد-موضوعی که در نظر من در (AI) هوش مصنوعی حیاتی است- توجه و تمرکز خود را معطوف به الگوهای تفکری می‌کنیم که برای دانشمندان داده مفید هستند.

مطالعه مقاله ۱۰ منبع آزاد برای یادگیری پردازش زبان طبیعی توصیه می‌شود.

تفکر مدلی

به عنوان دانشمندان داده، اولین و مهم‌ترین مهارتی که بدان نیاز داریم این است که بر‌حسب مدل‌ها فکر کنیم. یک مدل در انتزاعی‌ترین شکل خود، تمثال فیزیکی، ریاضی یا منطقی از یک شی، ویژگی یا فرآیند است. فرض کنید قرار است یک موتور هواپیما بسازیم که بتواند بارهای سنگین را بلند کند.

قبل از ساخت کامل موتور هواپیما، ممکن است یک مدل مینیاتوری بسازیم تا ویژگی‌های مختلف موتور (به عنوان مثال مصرف سوخت، توان) را تحت شرایط مختلفی (مانند وزش باد در جهت مخالف، اصابت با اشیا) بسنجیم. حتی قبل از ساخت یک مدل مینیاتوری، ممکن است یک مدل دیجیتالی سه‌ بعدی بسازیم که بتواند پیش‌بینی کند چه اتفاقاتی برای مدل مینیاتوری ساخته‌شده از مواد مختلف پیش خواهد آمد. در هر یک از این موارد، دو ماهیت مجزا وجود خواهد داشت - یک مدل و یک شی که مدل‌سازی شده بود. در مورد اول، مدل مینیاتوری موتور، مدلی از موتور کامل هواپیما بود. در مورد دوم، مدل دیجیتالی موتور، مدلی از مدل مینیاتوری موتور بود. خود مدل دیجیتالی باید جنبه‌های مختلف قوانین فیزیک پرواز (به عنوان مثال رانش) را مدل می‌کرد. بنابراین مدل لزوما همیشه یک شی نیست، می‌تواند یک ویژگی باشد. برای مثال، یک مدل نیروی گرانشی، جرم نسبی دو جسم و فاصله بین مرکز جرم آن‌ها را در نظر می‌گیرد.

در این مورد خاص، مدل یک معادله یا یک تمثال ریاضی است. در مورد مدل مینیاتوری موتور، مدل یک مدل فیزیکی بود. مدل‌ها همچنین می‌توانند یک فرآیند باشند. به عنوان مثال، یک مدل نسبتا رایج از فرآیند خرید مصرف‌کننده با آگاهی، ملاحظه، خرید و تکرار خرید آغاز می‌شود. در اینجا مدل یک تمثال منطقی از فرآیند گام به گام است. همان تمثال منطقی را می‌توان با معادلات بیان کرد یا می‌توان آن را به صورت کد برنامه‌ریزی کرد. از این رو مدل‌ها یا انتزاع از واقعیت هستند و یا چیزی که ارزش مطالعه دارد. هم چنین مدل‌ها به ما کمک می‌کنند تا با استفاده از آن‌ها جهان اطراف‌مان را توضیح داده و درک کنیم.

چارلی مونگر، نایب رئیس Berkshire Hathaway، یکی از بزرگ‌ترین طرفداران این طرز تفکر است.«به نظر من مغز انسان قطعا و حتما با استفاده از مدل‌ها کار می‌کند و این حقیقتی غیر‌قابل انکار است.» ترفند این است که مغز شما بهتر از مغز فرد مقابل کار کند، چرا که اساسی‌ترین مدل‌ها را درک می‌کند: مدل‌هایی که بیش‌ترین کار را در هر واحد انجام می‌دهند. «اگر این عادت ذهنی را در خود ایجاد کنید که ارتباط بین آنچه را که در حال خواندن آن هستید و ساختار اصلی ایده‌هایی که شرح داده شده‌اند، بیابید، به تدریج به خرد شما افزوده می‌شود.»

چارلی مانگر به اندازه کافی ارزش این نوع تفکر را در دنیای کسب‌وکار نشان داده است. این مهارت نه تنها برای سرمایه‌گذاری مهم است، بلکه راه بهتری برای درک جهان نیز است. این نوع تفکر نیز برای دانشمندان داده و محققان هوش مصنوعی حیاتی است. ما اغلب برای مدل‌سازی برخی از جنبه‌های تصمیم‌گیری انسانی (به عنوان مثال پیش‌بینی، بهینه‌سازی، طبقه‌بندی) یا درک یک فرآیند یا پدیده (به عنوان مثال، رفتار غیرعادی) مورد نیاز هستیم. اغلب کارشناسان دامنه در زمینه‌های مختلفی چون -تجارت، علوم پایه (فیزیک، شیمی، زیست‌شناسی)، مهندسی، اقتصاد، یا علوم اجتماعی - از ما می‌خواهند مدل‌هایی بسازیم تا بتوانیم جهان را درک کنیم، بینش‌ ایجاد کنیم، تصمیم بگیریم و یا عمل کنیم.

اگر دانشمندان داده بتوانند مدل‌های ذهنی در این زمینه‌ها را درک کنند، برای ما مدل کردن آن‌ها به صورت فرمول‌های ریاضی، تمثال‌های منطقی یا فقط کد آسان‌تر می‌‌شود. در واقع تعدادی کتاب در مورد مدل‌های ذهنی و به معنای واقعی کلمه صدها مدل ذهنی وجود دارد که طبقه‌بندی شده‌اند. سایت مدل‌های ذهنی مدل را تحت ۱۰ دسته مختلف شامل اقتصاد و استراتژی، طبیعت انسان و قضاوت، سیستم‌ها، دنیای بیولوژیکی، جهان فیزیکی و غیره فهرست کرده‌ است. اسکات پیج در مقاله‌اش این مسئله را مطرح می‌کند که چرا «متفکرانی چند مدلی» تصمیمات بهتری می‌گیرند. نه تنها بسیاری از متفکران چند مدلی تصمیم‌گیرندگان بهتری هستند، بلکه دانشمندان داده‌ای که می‌توانند مجموعه‌ای از مدل‌ها را بر اساس صدها مدل ذهنی بسازند، دانشمندان داده بهتری هستند. اساسا، داشتن مجموعه‌ای از مدل‌ها برای انسان‌ها و ماشین‌ها خوب است!

در این مقاله و مقالات بعدی، چند مدل ذهنی را انتخاب می‌کنیم که در مدل‌سازی دنیای کسب‌وکار بسیار مفید بوده‌اند.

ممکن است مطالعه مقاله کد پایتون خود را با سرعت C اجرا کنید! برای شما جذاب باشد.

تفکر سیستمی

در طول سی سال فعالیت من در کسب‌وکار و تکنولوژی، تنها مدل ذهنی بسیار مفید،کاربردی و عمیقی که من به طور گسترده از آن استفاده کرده‌ام، تفکر سیستمی است. این تفکر به من کمک کرده تا تصویر بزرگ‌تر و روابط داخلی بین حوزه‌های به ظاهر نامرتبط را ببینم. من احساس می‌کنم که برای دانشمندان داده مهم است که درک خوبی از تفکر سیستمی داشته باشند و همچنین آن را تمرین کنند. پیتر سنگ در مورد اینکه تفکر سیستمی چیست به طور شفاف جمع‌بندی می‌کند:

«تفکر سیستمی» نظمی برای دیدن ساختارهایی است که زمینه‌ساز موقعیت‌های پیچیده هستند و همچنین برای تشخیص تغییرات با قدرت نفوذ بالا از تغییرات با قدرت نفوذ پایین است. یعنی با دیدن کل یاد می‌گیریم که چگونه سلامتی را تقویت کنیم. برای انجام این کار، تفکر سیستمی زبانی را ارائه می‌دهد که با بازسازی نحوه تفکر ما آغاز می‌شود.

تعدادی کتاب و حتی چندین سری بلاگ در رسانه وجود دارد که تفکر سیستمی را توصیف می‌کنند. من در کار خودم بیش‌ترین تاثیر را از کارهای بری ریچموند و جان استرمن گرفته‌ام. من از کار آن‌ها برای نشان دادن این که تفکر سیستمی چیست و چرا برای دانشمندان داده مناسب است، استفاده خواهم کرد.

برنامه‌درسی آموزشی سنتی ما بر تفکر تحلیلی تاکید دارد - توانایی شناسایی یک مشکل/مسئله، تجزیه آن به بخش‌های تشکیل‌دهنده‌اش، پیدا کردن راه‌حل برای این بخش‌ها و گرد هم آوردن آن‌ها. به عنوان مشاور به طور مداوم از شما خواسته می‌شود که در تفکر خود از تکنیک MECE (اجزای یکپارچه متنافر است) استفاده کنید و به وضوح فرضیه‌های خود را مطرح کنید و مجموعه‌ای از گزینه‌های MECE را برای رسیدگی به هر مشکلی ایجاد کنید. در‌حالی‌که تفکر تحلیلی و تکنیک MECE(می سی) نقش ویژه‌ای در درک مشکلات دارند، اغلب باعث می‌شوند کور بشویم و به ندرت آن‌ها را زیر سوال ببریم. از سوی دیگر، تفکر سیستمی یک پادزهر عالی برای تفکر MECE است. بیایید برخی از الگوهای تفکر کلیدی را که رویکرد سیستمی در‌بر‌دارد، بررسی کنیم.

تفکر پویا-الگوی تفکری است که چارچوب‌بندی یک مسئله را از نظر چگونگی تکامل آن در طول زمان تقویت می‌کند. در‌حالی‌که تفکر ایستا بر رویدادهای خاص تمرکز دارد، تفکر پویا بر چگونگی تغییر رفتار سیستم‌های فیزیکی یا انسانی در طول زمان تمرکز می‌کند. توانایی تفکر راجع به چگونگی تغییر ورودی در طول زمان و تاثیر آن بر رفتار خروجی بسیار مهم است.

دانشمندان داده اغلب برای پیش‌بینی یا استنباط، از مسائل با داده‌های مقطعی در یک برهه از زمان استفاده می‌کنند. با توجه به این که زمینه بیشتر مشکلات/مسائل دائما در حال تغییر است، متاسفانه چیزهای بسیار کمی را می‌توان به صورت آماری تحلیل کرد. تفکر ایستا، رویکرد «یک‌بار برای همیشه» را برای مدل‌سازی ساختمان تقویت می‌کند که در بهترین حالت گمراه‌کننده و در بدترین حالت فاجعه‌بار است. حتی موتورهای توصیه ساده و ربات‌های چت آموزش دیده در مورد داده‌های تاریخی باید به طور منظم به‌روز شوند. درک ماهیت پویای تغییر برای ایجاد مدل‌های قوی علم داده حیاتی است.

سیستم به عنوان علت تفکر - الگویی از تفکر است که تعیین می‌کند چه چیزی باید در محدوده سیستم ما قرار داشته باشد (یعنی مرز گسترده) و سطح دانه دانه بودن آنچه را که باید در آن گنجانده شود (یعنی مرز فشرده) را نیز تعیین می‌کند. مرزهای گسترده و فشرده بستگی به زمینه‌ای دارد که ما در آن سیستم را تحلیل می‌کنیم و اینکه چه چیزی تحت کنترل تصمیم‌گیرنده است در مقابل آنچه خارج از کنترل آن‌ها است.

دانشمندان داده معمولا با هر داده‌ای که برای آن‌ها فراهم شده است کار می‌کنند. در‌حالی‌که این یک نقطه شروع خوب است، ما همچنین باید زمینه گسترده‌تری را در مورد چگونگی استفاده از یک مدل درک کنیم و این که تصمیم‌گیرنده چه چیزی را می‌تواند کنترل یا تحت‌تاثیر قرار دهد. به عنوان مثال، هنگام ساخت یک ابزار مشاوره خودرکار، ما می‌توانیم تعدادی از جنبه‌های مختلف اعم از شاخص‌های اقتصاد کلان، عملکرد طبقه دارایی، استراتژی‌های سرمایه‌گذاری شرکت، میزان ریسک‌پذیری فرد، مرحله زندگی فرد، وضعیت سلامت سرمایه‌گذار و غیره را در نظر بگیریم. وسعت و عمق عواملی که باید در نظر گرفته شوند به این بستگی دارد که آیا ما در حال ساخت ابزاری برای یک مصرف‌کننده، مشاور، مشتری مشاور ثروت هستیم و یا یک سیاست‌گذار در دولت. داشتن تصویری بزرگ‌تر از عوامل مختلف و چگونگی تاثیرگذاری آن‌ها بر یکدیگر به همراه کاربر و زمینه کاربر به ما کمک خواهد کرد تا مدل‌های هدف را بسازیم و آن‌ها را به طور مناسب مورد ارزیابی قرار دهیم.

تفکر جنگلی - الگویی از تفکر است که به ما این امکان را می‌دهد "تصویر بزرگتر" را ببینیم و در صورت لزوم آن را فشرده/متراکم کنیم به طوری که جزئیات اصلی و اساسی از دست نروند. اغلب دانشمندان داده مجبور به تفکر درخت به درخت می‌شوندtree-by-tree thinking زیرا به تک تک مولفه‌های داده نگاه می‌کنند(به عنوان مثال داده‌های مشتری) و قادر به دیدن تصویر بزرگ‌تر در مورد اینکه چه داده‌هایی برای حل مشکل مطرح‌شده مورد نیاز است، نیستند. من اغلب این را به «ساخت بهترین مدلی که می‌توانیم با استفاده از داده‌های موجود بسازیم» تعبیر می‌کنم تا بررسی این که «چه داده‌هایی لازم است جمع‌آوری شوند تا مشکل ما را حل کنند.

تفکر عملیاتی-الگویی از تفکر است که بر فرآیند عملیاتی یا «علیت» چگونگی بروز رفتارها در سیستم‌ها تمرکز می‌کند. برخلاف تفکر عملیاتی، تفکر عاملی یا تفکر لیست محور یا تفکر می سی (MECE) هستند که قبلا به آن‌ها اشاره کرده‌ام. اتکا به یادگیری ماشینی به عنوان روش اصلی یا تنها دانش علوم داده می‌تواند همه ما را به راحتی به سمت تفکر عاملی سوق دهد که در آنها تمرکز بر پیش‌بینی متغیر خروجی بدون در نظر گرفتن روند یا علیت است. در‌حالی‌که این موضوع ممکن است برای خیلی از کارها مناسب باشد، اما در سطح جهانی قابل‌اجرا نیست. تحقیقات اخیر در مورد هوش مصنوعی قابل توضیح، تلاشی است برای بازآفرینی برخی از فرآیندها و منطق نحوه دستیابی به پاسخ‌ها.

تفکر حلقه بسته - الگویی از تفکر است که به دنبال شناسایی حلقه‌های بازخورد در سیستم هایی است که به موجب آن برخی اثرات به علل تبدیل می شوند. غالب "زمان به عنوان یک پیکان" که در یک جهت واحد به جلو حرکت می‌کند، یک ذهنیت قدرتمند است که تفکر ما را در تجارت و همچنین تلاش های علمی محدود کرده است. دانشمندان داده از این روند در امان نبوده‌اند. نمودار حلقه علّی و نمودار جریان سهام که توسط جامعه پویایی سیستم و استنباط علّی از آن استفاده می‌شود، برخی از ابزارهای موجود برای دانشمندان داده برای جدا شدن از تفکر خط مستقیم است.

این‌ها تنها چند مورد از الگوهای اصلی تفکر سیستم است. باری ریچموند همچنین در مورد تفکر کمی، تفکر علمی، تفکر غیر خطی و تفکر ۱۰هزار متر صحبت می‌‌کند. علاوه بر این، او اصول ارتباط و یادگیری را که ارزش مطالعه دارد، به اشتراک می گذارد.

به نظر من به چند دلیل اساسی رویکرد تفکر سیستمی جذاب است. اول، این یک ذهنیت جایگزین و مهم‌تر از آن ذهنی است که بین قسمت‌های مختلف ارتباط برقرار می‌کند و بیشتر اوقات دیدگاه منحصر به فردی برای حل مسئله ایجاد می‌کند. دوم، پایان آن بازتر است و در مقابل ادعای پاسخ منحصر به فرد و صحیح، چندین دیدگاه و معامله ارائه می‌دهد. این اغلب منجر به تصمیمات آگاهانه‌تری از انسان در مقابل تصمیمات شکننده و غیر‌قابل توضیح ماشین می‌شود. سوم، روش بهتری برای توضیح و انتقال تصمیمات ارائه می‌دهد. در مقالات بعدی، مثال‌های خاصی را می‌آورم که این مزایا را نشان می‌دهد.

شاید علاقمند به مطالعه مقاله ۱۲ مورد از بهترین ابزارهای بازبینی کد برای توسعه‌دهندگان باشید.

تفکر عامل محور

اگر در اینترنت به دنبال تفکر عامل محور باشید، ممکن است چیز زیادی در مورد تفکر عامل محور پیدا نکنید. در عوض تعدادی از منابع را مشاهده خواهید کرد که راجع به به مدل‌سازی عامل محور (ABM) هستند. در حالی کهABM تحقق عینی این نوع تفکر است که من در مقاله‌های آینده آن را بررسی خواهم کرد، در حال حاضر می‌خواهم بر تفکری که قبل از ساخت چنین مدل‌های عامل محوری وجود داشته، تمرکز کنم.

تفکر عامل محور - الگویی از تفکر است که در آن ما روی موجودات یا مفاهیم ساده‌تر (یا اتمی) متمرکز می‌شویم و اینکه چگونه تعاملات نسبتاً ساده بین این موجودات می‌تواند منجر به رفتارهای فوری سیستم شود. مشابه تفکر سیستمی، ما به رفتارهای سطح سیستم علاقه‌مند هستیم، اما به جای مشاهده روابط از منظر بالا به پایین، رفتارهای سیستم را از منظر پایین به پایین تجزیه‌و‌تحلیل می‌کنیم. این تفکر فرد محور است - وضعیت فرد (جسمی یا روحی) فرد چگونه است، فرد چگونه با محیط خود و افراد دیگر ارتباط برقرار می‌کند و چگونه این وضعیت را تغییر می‌دهد. چنین تفکر متکی بر فرد یا عامل می‌تواند در مورد دارایی‌های فیزیکی اعمال شود (به عنوان مثال یک ترموستات را می‌توان یک عامل در نظر گرفت)، مصرف‌کنندگان منفرد (به عنوان مثال مدل‌سازی مصرف‌کننده‌های فردی که در زمینه بازاریابی تصمیم‌گیری می‌کنند)، نهادهای شرکتی (به عنوان مثال شرکت‌هایی که منافع شخصی آن‌ها باعث کارآیی بازارها می‌شود)، یا حتی دولت‌های ملی (به عنوان مثال کشورهایی که بر اساس مزیت نسبی خود با یکدیگر تجارت می‌کنند).

تفکر سیستمی و تفکر عامل محور می‌توانند در همان مجموعه از مشکلات به کار رفته و نتایج مشابهی ایجاد کنند، اما از طریق ذهنیت یا مدل‌های ذهنی مختلفی بدان دسترسی پیدا کرد. به عنوان مثال، مدل‌های اپیدمیولوژیک شناخته شده پیشرفت بیماری - SEIR (حساس، در معرض، عفونی، بهبود یافته) را می‌توان از منظر سیستم یا از نظر فردی تجزیه و تحلیل کرد. هنگامی که ما کل جمعیت مستعد، در معرض و غیره را بررسی می‌کنیم، در سطح سیستم کار می‌کنیم و اگر وضعیت هر فرد را بررسی کنیم که آیا آنها قبلاً عفونی، بهبود یافته و غیره از بیماری هستند، در اینجا ما در سطح عامل محور عمل می‌کنیم.

وقتی می‌خواهیم از رفتارهای کلی پیشرفت بیماری به سمت رفتارهای فردی حرکت کنیم، تفکر عامل محور به روشی طبیعی‌تر برای تفکر تبدیل می‌شود. به عنوان مثال ، اگر ما فقط به سطح کلی عفونت علاقه‌مند نیستیم، اما می‌خواهیم بفهمیم چه افرادی مستعد ابتلا به بیماری یا رفتارهای افراد خاص هستند (به عنوان مثال فاصله اجتماعی یا ماسک پوشیدن) در افراد خاص و اینکه چگونه ممکن است در پیشرفت بیماری نقش داشته باشند تفکر عامل محور رویکردی طبیعی‌تر است.

تفکر عامل محور، پایه و اساسی برای مدل‌سازی مبتنی بر عامل است (همچنین به عنوان سیستم‌های شبیه‌سازی یا ریزمقیاس‌سازی مبتنی بر عامل)، سیستم‌های چند عاملی و یادگیری تقویت‌کننده شناخته می‌شود. در نتیجه ، یک دانشمند داده باید با تجزیه و تحلیل مشکلات از دید یک عامل فردی راحت باشد - جایی که عوامل فردی ممکن است دستگاه‌های اینترنت اشیا یا دارایی‌های فیزیکی (به اسم "دوقلوهای دیجیتال" شناخته‌تر شده‌اند) یا نهادهای تصمیم‌گیرنده فردی مانند مصرف‌کنندگان، شرکت‌ها و غیره.

به نظر من تفکر عامل محور به ویژه در انواع خاصی از موقعیت‌ها جذاب است. اولاً، وقتی مجموعه موجودات یا عوامل، قابل شناسایی و ناهمگن باشد، روشی شهودی برای مطالعه رفتارهای آنها فراهم می کند. دوم، وقتی تعاملات بین موجودیت‌ها بومی‌سازی‌تر شده باشد، مطالعه آنها با تفکر عامل محور آسان‌تر است. سوم، هنگامی که رفتارهای فردی (یا رفتارهای گروهی از افراد) اهمیت بیشتری از رفتار سیستمی دارند، تفکر عامل محور رویکرد بهتری ارائه می‌دهد. چهارم، هنگامی که موجودیت‌های فردی به طور متفاوتی سازگار می‌شوند و تغییر می‌کنند، ما بهتر از مدل‌سازی در یک فرد در مقایسه با سطح سیستم هستیم. بیشتر شباهت‌ها و تفاوت‌های بین سیستم‌ها و تفکر عامل محور را در مقالات بعدی با استفاده از نمونه‌های عینی بررسی خواهم کرد.

ممکن است مطالعه مقاله به هر چیزی نگویید هوش مصنوعی! برای شما جالب باشد.

تفکر رفتاری (اقتصادی)

مجموعه مدل‌های ذهنی در مورد طبیعت انسان و قضاوت که اغلب اقتصاد رفتاری نامیده می‌شود، در هر دو مسیر مشاوره و هوش مصنوعی به طور قابل‌توجهی روی من تاثیر گذاشته است. جالب توجه است که هم هوش مصنوعی و هم اقتصاد رفتاری، پایه و اساس مشترکی دارند. مفهوم هربرت سیمون از عقلانیت محدود، دیدگاه رایج «انسان‌ها تصمیم‌گیرندگان منطقی ایده‌آلی هستند» را زیر سوال برد و در عوض استدلال کرد که ما محدود به ظرفیت تفکر، اطلاعات و زمان در دسترس تصمیم می‌گیریم. این پایه و اساسی برای حوزه اقتصاد رفتاری بود که از اواخر دهه ۱۹۰۰ تا به الان در راس بوده است. سیمون همچنین به عنوان یکی از پدران بنیانگذار هوش مصنوعی در نظر گرفته می‌شود و کار او بر روی توسعه برنامه‌های اکتشافی و حل مسئله انسانی، پایه و اساس سیستم‌های نمادین هوش مصنوعی آینده را بنا نهاد. به گفته او:

اصل عقلانیت محدود ، ظرفیت ذهن انسان برای تدوین و حل مسائل پیچیده در مقایسه با اندازه مسائلی که برای رفتار عقلانی عینی در دنیای واقعی به راه حل نیاز است ، یا حتی برای تقریب معقول ، بسیار ناچیز است.

در طول چند دهه گذشته، اقتصاد رفتاری تاثیر عمیقی در دنیای آکادمیک و کسب‌وکار بر چگونگی تصمیم‌گیری انسان‌ها، فرآیندهای اساسی برای تصمیم‌گیری، چگونگی انحراف آن‌ها از یک ابزار ایده‌آل که چشم‌انداز اقتصادی را به حداکثر می‌رساند و چگونگی سوق دادن آن‌ها به سمت تصمیمات خاص به نفع خود داشته است.

تفکر رفتاری (اقتصادی) (یا تفکر رفتاری به طور خلاصه) یک الگوی فکری است که بر این تمرکز می‌کند که چگونه انسان‌ها واقعا تصمیم می‌گیرند در مقابل این که چگونه آن‌ها باید تصمیم بگیرند. هنگامی که ما از تفکر عامل محور استفاده می‌کنیم، اغلب لازم است درک کنیم که انسان‌ها چگونه تصمیم‌گیری می‌کنند (به عنوان مثال تصمیم‌گیری در مورد این که چه کالاهایی را باید خریداری کنیم، چقدر باید سرمایه‌گذاری کنیم، و غیره). اصول اقتصادی رفتاری مانند لنگر انداختن، پیش‌فرض‌ها، اثر باند، کراهت زیان، تخفیف هذلولی و لیست عظیمی از سایر اکتشافات در تلاش است تا چگونگی تصمیم‌گیری در شرایط مختلف را توضیح دهد. این موارد را با جزئیات بیشتر در مقالات آینده بررسی خواهم کرد.

به عنوان یک محقق داده، از نظر من تفکر رفتاری در دو روش خاص مفید واقع می‌شود. اول، به ما کمک می‌کند تا بفهمیم انسان چگونه تصمیم می‌گیرد تا بتوانیم نحوه استفاده از مدل‌های ساخته شده توسط دانشمندان داده و توضیحات مورد نیاز برای تصویب بهتر را درک کنیم. دوم ، به ما کمک می‌کند تا از تصمیم‌گیری انسان در درون کارگزاران برای شبیه‌سازی یا مشاهده رفتار کلی الگو بگیریم. این جنبه دوم را می‌توان به عنوان تخصصی‌سازی بیشتر تفکر عامل محور در نظر گرفت.

مطالعه مقاله ۵ ابزار برای سرعت بخشیدن به پیشرفت پروژه علوم داده شما به شدت توصیه می‌شود.

تفکر محاسباتی

اصطلاح تفکر محاسباتی برای اولین بار سال ۱۹۸۰توسط سیمور پائپرت معرفی شد. با این حال، اهمیت تفکر محاسباتی به عنوان یک جز حیاتی از آموزش علوم کامپیوتر بعدا در مقاله‌ای توسط ژانت وینگ [ ۱۰ ] مطرح شد. مبانی تفکر محاسباتی در طول نیمه آخر قرن گذشته به همراه تفکر الگوریتمی، رویکردهای محاسباتی در تمام جنبه‌های علوم، مهندسی و کسب‌وکار رشد کرده‌ است.

تفکر محاسباتی الگویی از تفکر است که بر حل مسئله ساختار یافته، تجزیه مسئله، تشخیص الگو، تعمیم و انتزاع تاکید دارد که می‌تواند توسط کامپیوترها کدگذاری و اجرا شود. تفکر محاسباتی تاثیر عمیقی در انقلاب‌های پی‌درپی پس از انقلاب صنعتی داشته است - انقلاب محاسباتی، اینترنت و انقلاب گوشی‌های هوشمند و اکنون داده‌های بزرگ، تحلیل‌ها و انقلاب‌های هوش مصنوعی AI.

در‌حالی‌که تمام الگوهای تفکر قبلی که راجع به آنها بحث شد را می‌توان برای درک انسان و ماشین به کار برد، تفکر محاسباتی در ایجاد سیستم‌های هوشمند نقش اساسی دارد. همچنین می‌توانیم تفکر محاسباتی را به عنوان مکانیسمی برای رمزگذاری و درک انواع دیگر تفکر در نظر بگیریم. از این رو، به عنوان یک دانشمند داده، ما اغلب باید محاسباتی فکر کنیم و در مورد دستورالعمل‌هایی که ارائه می‌کنیم، دقیق باشیم.

نتیجه‌گیری

در این مقاله مقدماتی، ما پنج الگوی تفکر کلیدی را توضیح داده‌ایم - هر یک از آن‌ها الگوی قبلی را اصلاح می‌کنند. در مقالات بعدی ما جزئیات این الگوهای تفکر را بررسی خواهیم کرد و نشان خواهیم داد که چگونه از آن‌ها برای حل مشکلات در حوزه کسب‌وکار و علوم استفاده کنیم.

این متن با استفاده از ربات مترجم مقالات دیتاساینس ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.